关于 精准通营销推广工具σσ:1716160 的搜索结果,共351
不****主 2018-07-09
地图
度地图可在许多方面为无人车提供帮助,如高度地图常会记录交信号灯的确位置和高度,从而大大降低了感知难度。 高地图不仅可以减少计算需求,还可以过提供有关驾驶环境的详细信息,来确保无人车的安全。保持这些地图的更新是一项重大任务,测试车队需要不断地对高度地图进行验证和更新。此外,这些地图可能达到几厘米的度,这是水最高的制图度。 Apollo 高地图是最懂自动驾驶的高地图,也是业界细化程度最高、生产率最高、覆盖面最广的高地图。目前,Apollo 高地图的自动化程度已经达到了90%、确识别率达到了95%以上,预计2020年可以覆盖全国所有的重点道路。 高地图有很多种格式,为了方便数据共享,Apollo高地图采用了OpenDRIVE格式,这是一种行业制图标。同时,Apollo也对OpenDRIVE做出了改进,进而产生了Apollo OpenDRIVE标,以便更适合无人车。 Apollo高地图的构建 高度地图的构建由五个过程组成:数据采集、数据处理、对象检测、手动验证和地图发布。
s****d 2018-07-11
亿元级云用户分析
硬件和系统管理——硬件是标还是特配、产权是租是卖、内网代维还是自主设计、服务器交钥匙还是黑盒服务——不同的客户项目需求,导致硬件管理和监控不同于传统方案也不同于其他云项目。 广域网联方案——云厂商大都是互联网出身,他们拥有DDOS的资源和统一前端的实践经验,还有海量廉价优质带宽。限制客户梦想的是老旧系统是否支持常见协议,还有底层程师能否动上层业务测试和变动。 API调用PaaS——API云服务就是不可控过程的黑箱,客户没预算没力就盲目信任云厂商。客户有力就做多云冗余校验,有预算就做专有资源池部署;未来云厂商还会自定义SLA标——大部分API云服务连等待超时都没定义。 版本发布和数字化转型——无论是微观的版本发布还是宏观的数字化转型,其实都和上云没直接联系,一个是室内装修作,一个是新建房屋作,但装修的最好时机是房屋重建的时候,云厂商要帮客户动IT技术革新。 5.服务输出分析 云厂商输出给客户的即有云端IT资源,也有平台服务输出。服务是个比资源更难量化的概念,我只引一把火苗出来。
C****X 2018-07-10
群雄逐“图”,百度缘何备受关注?
度地图计算架构 (图片来源于文章《高地图在无人驾驶中的应用》) 整体过程可以简单描述为,陀螺仪(IMU)及轮测距器 (Wheel Odometer)可以高频率地给出当前车辆的位置预测,但由于其确度原因,位置可能会有一定程度的偏差。 为了纠正这些偏差,可以使用传感器融合技术(比如使用Kalman Filter) 结合GPS与激光雷达(LiDAR)的数据算出当前无人车的确位置,然后根据当前的确位置与激光雷达的扫描数据,把新数据加入地图中。 如果探究体的实践过程,其实可以参照下面的关系式: (图片来源于文章《高地图在无人驾驶中的应用》) 其中Q代表优化方程,z代表激光雷达扫描出的点,h为方程预测最新扫描点的位置与反光度,m为扫描到的点在地图中的位置,x代表无人车当前位置。 这个方程的目的是过最小化J求出测量点在地图中的确位置。在计算模型中,m与x开始都是未知的,可以先过多传感器融合求x,再求出测量点在地图中的确位置m。 百度的高度地图如何制作而成? 百度将高度地图制作分为内外两部分,分别是外采、后台数据化处理、人验证与发布,简单说就是外部采集+后期处理。
思****来 2018-07-11
重磅:构建AIOps的MNIST
这里,我们给出了一种基于自动异常检测的辅助标注方法:在标注开始前,自动分析疑似异常区间,高亮提醒标注人员关注,减少检查正常数据耗费的力;在标注过程中,提供异常区间对比功能,协助标注人员认识异常,避免判断标的漂移,减少标注数据前后矛盾的情况。 时序数据标注 我们着手研发了一款时序数据异常标注,辅助标注人员更快更确地进行时序数据标注,为正常数据建模和异常检测评估提供足量确的标注数据集。 当前的标注以一个Web的形式呈现,提供数据上传、标注、下载功能,辅助标注的主要算法逻辑由Python实现,可以方便地借助相关科学计算模组进行修改。 可视化和标注功能 一般的时序数据标注都会提供一些基本的可视化和标注功能,包括过拖动、快捷按钮等方式设置x轴和y轴的显示区间以控制曲线的缩放,过拖动等方式标注异常数据等。除了这些基本的功能之外,我们针对标注场景作了专门的优化。 Y轴区间自动计算 有时少数异常数据的值与正常值相比差别巨大,可能有数量级的差别。直接展示这些数据会导致整条曲线被压扁变平,掩盖曲线上其他的波动。这时用户往往需要先手设置曲线的y轴区间才能开始正常标注。
s****5 2018-07-10
个性化荐(二)
总结 本章介绍了传统的个性化荐系统方法和YouTube的深度神经网络个性化荐系统,并以电影荐为例,使用PaddlePaddle训练了一个个性化荐神经网络模型。个性化荐系统几乎涵盖了电商系统、社交网络、广荐、搜索引擎等领域的方方面面,而在图像处理、自然语言处理等领域已经发挥重要作用的深度学习技术,也将会在个性化荐系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186. Sarwar, Badrul, et al. "Item-based collaborative filtering recommendation algorithms."
x****7 2018-07-10
从外行进阶专业 传统企业AI转型差的可能只是一个百度EasyDL
如果说,源创是用AI改造存量,那么,更年轻的惠合科技则用AI创新了服务: 这家2016年成立于杭州的创业公司,主要为大量快消品牌定制整合性解决方案,过去两年,惠合科技出了“e店佳”陈列审核方案,接入百度AI定制化图像开放平台技术后,建立了产品的图象识别库,实现图象快速采集,标注并建立模型,将传统零售门店商品陈列审核方式智能化。 2018年1月起,惠合科技从平台抽取3000家零售门店,作为陈列审核的首次尝试,线下渠道门店只需手机上传视频,“e店佳”就可轻松识别出陈列商品是否符合规范,确率在90%以上,极大提升审核的效率,人员效率提升超过30%,其后将方案应用于40000家零售门店,帮助合作品牌商费用下降27%、售额提升15%。 “我们和百度一起合作,实现可即用、更轻快、高度、强安全的特点,帮助品牌商提升了门店执行效率。”惠合科技CEO郑云帆表示,公司已备与品牌商联手,扩大“e店佳”方案的使用范围。 事实上百度EasyDL每一次开放新的能力,就会有一批嗅觉敏锐的企业迅速跟进,新的创新案例层出不穷。
c****2 2018-07-10
个性化荐(一)
该系统首次提出了基于协同过滤来完成荐任务的思想,此后,基于该模型的协同过滤荐引领了个性化荐系统十几年的发展方向。 传统的个性化荐系统方法主要有: 协同过滤荐(Collaborative Filtering Recommendation):该方法是应用最广泛的技术之一,需要收集和分析用户的历史行为、活动和偏好。它常可以分为两个子类:基于用户 (User-Based)的荐[1] 和基于物品(Item-Based)的荐[2]。该方法的一个关键优势是它不依赖于机器去分析物品的内容特征,因此它无需理解物品本身也能够确地荐诸如电影之类的复杂物品;缺点是对于没有任何行为的新用户存在冷启动的问题,同时也存在用户与商品之间的交互数据不够多造成的稀疏问题。值得一提的是,社交网络[3]或地理位置等上下文信息都可以结合到协同过滤中去。 基于内容过滤荐[4](Content-based Filtering Recommendation):该方法利用商品的内容描述,抽象出有意义的特征,过计算用户的兴趣和商品描述之间的相似度,来给用户做荐。
TOP